Development of Optimized Weld Metal Chemistries for Pipeline Girth Welding of High Strength Line Pipe
Notice bibliographique
Résumé
The primary objectives of this program were to provide a better understanding of the factors that control strength and toughness in high strength steel girth welds and to develop optimized welding consumables and welding procedures for high strength pipelines. The initial work on the program involved developing cooling rate models so that optimized weld metal compositions for high-strength pipelines could be developed, ensuring that the ideal balance of strength and ductility, together with tolerance to process variations and resistance to hydrogen cracking is achieved. The model, which was developed under a companion program, uses a two-dimensional finite element approach. Complete details can be found in Reference [1]. The model predicts the cooling rates during various weld passes in narrow groove welding of X80 and X100 pipes. Using this model, along with experimental datasets, a neural network model was developed which has been used to predict weld metal properties for various weld metal compositions. Based on the predictions, eight target compositions were selected and were manufactured by one of the team partners. The results of mechanical property testing showed that it was possible to develop weld metal compositions which exceeded the target yield strength of 820 MPa and also provided excellent toughness (>50J at −60°C). It was also found that the weld metal yield strength measured close to the ID of the pipe was significantly higher than that which was measured closer to the OD of the pipe. Complete mechanical property results, including results for round-bar and strip tensiles, CVN impact toughness, microhardness and more, are presented.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».